【技术实现步骤摘要】
一种5G多基站天线权值联合优化方法和装置
[0001]本专利技术涉及无线通信
,尤其涉及一种5G多基站天线权值联合优化方法和装置。
技术介绍
[0002]Massive MIMO(Massive Multiple Input Multiple Output,大规模多输入多输出天线阵列)技术是5G(5th Generation MobileCommunication Technology,第五代通信技术)中提高系统容量、网络覆盖率和频谱效率的关键性技术,其通过调整基站(BS)中数百个天线的天线权值参数,以形成窄且有方向的高增益信号波束。在MassiveMIMO系统中,密集部署的多个5G基站之间不可避免的存在耦合影响(小区间干扰,ICI),为减少这种影响,需要对多个基站的波束形成进行协调优化。然而,受天线权值参数取值范围以及天线数目的影响,单个5G基站波束形成时天线权值参数搜索空间非常巨大,多个 5G基站波束协调优化将导致搜索空间的指数增长,在实现上非常困难。
[0003]目前,波束形成优化方法常采用下述三类方式:
[0004]第一类,依赖于解析建模和凸或非凸优化的波速形成优化方法。这类方法提供了一个很好的数学建模框架,但是具有较高的复杂性,在融入复杂的现实世界环境几何或阻塞方面存在困难。
[0005]第二类,利用深度学习和强化学习等机器学习技术的波束形成优化方法。例如,深度神经网络已被用于以监督学习方式直接拟合最优波束形成,或结合蒙特卡罗方法搜索最优波束形成向量。这类方法的缺点是需要耗时的
【技术保护点】
【技术特征摘要】
1.一种5G多基站天线权值联合优化方法,其特征在于,所述方法包括:获取待优化的多个5G基站的状态信息;基于所述状态信息、在包含多个深度Q网络的优化模型上采用UCB探索方式对所述多个5G基站进行天线权值联合寻优,得到所述多个5G基站的最优天线权值。2.根据权利要求1所述的5G多基站天线权值联合优化方法,其特征在于,所述基于所述状态信息、在包含多个深度Q网络的优化模型上采用UCB探索方式对所述多个5G基站进行天线权值联合寻优,得到所述多个5G基站的最优天线权值,包括:步骤A:初始化所述优化模型中每一个深度Q网络和迭代步数,并随机设定所述多个5G基站中的每一个5G基站的最优天线权值;步骤B:在本次迭代中,将所述多个5G基站随机排序得到相应的排列列表;步骤C:将所述排列列表中首个未进行天线权值寻优的5G基站作为目标5G基站;步骤D:利用所述状态信息和所述多个5G基站中除所述目标5G基站之外的其它5G基站的最优天线权值,在所述优化模型上采用UCB探索方式对所述目标5G基站进行天线权值寻优;步骤E:基于所述目标5G基站的天线权值寻优结果更新所述优化模型,并将所述目标5G基站的最优天线权值更新为所述目标5G基站的天线权值寻优结果;步骤F:若所述目标5G基站为所述排列列表中最后一个5G基站,则根据上一次迭代结束时所述多个5G基站中的每一个5G基站的最优天线权值再次更新所述多个5G基站中的每一个5G基站的最优天线权值;否则,返回步骤C;步骤G:若当前迭代次数等于预设最大迭代次数,则输出此时所述多个5G基站中每一个5G基站的最优天线权值;否则,令迭代步数加1并返回步骤B。3.根据权利要求2所述的5G多基站天线权值联合优化方法,其特征在于,所述步骤D,包括:利用所述状态信息和所述多个5G基站中除所述目标5G基站之外的其它5G基站的最优天线权值构成将所述输入到所述优化模型的每一个深度Q网络中,以使所述优化模型的每一个深度Q网络根据预设价值函数学习为预存天线权值动作集的每一个天线权值时的Q值;计算为预存天线权值动作集的每一个天线权值时所述优化模型中深度Q网络输出的Q值的均值和标准差;基于所述均值和标准差,利用预设UCB探索公式在所述天线权值动作集范围内探索其中,S={S1,
…
,S
i
,
…
,S
n
},S
i
表示所述多个5G基站中第i个5G基站的状态信息,表示所述多个5G基站中第i个5G基站的天线权值寻优结果,即目标5G基站的天线权值寻优结果;表示所述多个5G基站中第i个5G基站的天线权值,表示待优化的第f个5G基站天线权值为其最优天线权值,f≠i,f∈(1~n),n表示待优化的5G基站的总数。
4.根据权利要求3所述的5G多基站天线权值联合优化方法,其特征在于,所述价值函数用来表征Q
k
(S,A)无限逼近r(S,A);其中,r(S,A)表示(S,A)下的全局奖励,Q
k
(S,A)表示(S,A)下优化模型的...
【专利技术属性】
技术研发人员:詹仙园,杨爱东,
申请(专利权)人:亚信科技中国有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。